Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Агентов научили пробовать незнакомые инструменты выборочно: сохранять полезные попытки и отсекать вызовы функций, не связанных с задачей. В работе Junlin Fang и коллег, которая не прошла рецензирование и содержит их собственные замеры, ToolCompass поднял долю успешных OOD-задач AppWorld с 61,15% до 70,02% на Qwen3.5-9B. Для продукта с меняющимся набором API это схема пост-обучения без дополнительных вычислений при работе агента.
Обычное обучение по итоговому результату одинаково оценивает все шаги успешной цепочки, включая бесполезные вызовы. ToolCompass добавляет другую подсказку: инструменты из разных приложений должны иметь близкие внутренние представления, если выполняют одну функцию, например поиск. Вызовы с разными функциями, наоборот, разводятся дальше друг от друга.
Для обучения нужны только классы функций уже известных инструментов. Эталонные последовательности вызовов и доступ к будущим инструментам не требуются. Вспомогательный модуль и прототипы функций после пост-обучения удаляют, поэтому архитектура и стоимость работы агента не меняются.
На OOD-задачах AppWorld среднее число бесполезных проб снизилось примерно втрое: с 12,75 до 4,07 на задачу. При этом метод не запрещает исследование незнакомых API целиком: агент чаще выбирает функции, которые связаны с целью, и реже исчерпывает лимит взаимодействий на повторах и посторонних вызовах.
Метод проверяли с Qwen3.5-4B и Qwen3.5-9B на AppWorld и FTRL, добавляя его к GRPO, RFT и DMPO. На AppWorld задача считалась решённой, только если агент проходил все её проверки; метрика FTRL учитывала точность вызовов инструментов и долю завершённых задач. ToolCompass улучшил все приведённые результаты для известных и отложенных инструментов, но выводы пока относятся к этим моделям, средам и схеме разметки функций.
Источники
Иллюстрация: рисунок из статьи «Toolcompass: Guiding Tool Trialing, Not Suppressing It», Junlin Fang, Chong Zhang, Do Nguyen-Thanh и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
